ACMamba：基于非对称共识状态空间模型的快速无监督异常检测
计算机视觉与模式识别
2025-12-29 v1 人工智能
机器学习
摘要
hyperspectral 图像（HSI）上的无监督异常检测旨在检测来自背景中的未知目标，面临着挑战。然而，当前研究受制于 HSI 高维特性和稠密基于样本的训练范式带来的高计算成本，限制了其快速部署。我们的关键观察是，在训练过程中，同一均匀区域内并非所有样本都必不可少，而精巧的抽样可提供强大的替代方案以降低成本。基于此，我们提出了一种 Asymmetrical Consensus State Space Model（ACMamba），显著降低计算成本而不牺牲准确性。具体而言，我们设计了一种非对称异常检测范式，该范式将区域级实例用作稠密像素级样本的高效替代方案。在此范式中，引入低成本的 Mamba 模块以发现 HSI 重建所必需的全局语境属性。此外，我们从优化角度开发了共识学习策略，以同时促进背景重建和异常压缩，进一步减轻异常重建的负面影响。理论分析和在八个基准数据集上的大量实验验证了 ACMamba 的优越性，显示出在速度和性能上均优于最新方法。
引用
@article{arxiv.2504.11781,
title = {ACMamba: Fast Unsupervised Anomaly Detection via An Asymmetrical Consensus State Space Model},
author = {Guanchun Wang and Xiangrong Zhang and Yifei Zhang and Zelin Peng and Tianyang Zhang and Xu Tang and Licheng Jiao},
journal= {arXiv preprint arXiv:2504.11781},
year = {2025}
}
备注
15 pages, 9 figures